我選擇了 5 秒的時間窗口和 1 秒的窗口偏移和展平處理塊，因?yàn)槲覀冋谔幚矸浅＞徛囊苿訑?shù)據(jù)。一個非常簡單的全連接網(wǎng)絡(luò)提供了良好的準(zhǔn)確性。這是Edge Impulse 項(xiàng)目的公共版本的鏈接。

?

通過收集更多數(shù)據(jù)并確?？梢宰R別正確和不正確的姿勢，可以通過衣服上的設(shè)備定位的一些變化來做出一些改進(jìn)。由于該設(shè)備被認(rèn)為是個人使用設(shè)備，因此無需推廣到不同人的姿勢，并且可以輕松地重新訓(xùn)練。您可以在實(shí)時分類選項(xiàng)卡中檢查訓(xùn)練后它檢測您的姿勢的能力。

在您對準(zhǔn)確性感到滿意后，將生成的模型下載為 Arduino 庫并將其復(fù)制到您的 Arduino 草圖/庫文件夾中。您可以下載示例代碼，該代碼將收集 5 秒的樣本，執(zhí)行推理并在檢測到其中一個不正確的姿勢時打開蜂鳴器。

void loop()
{

    ei_printf("Sampling...\n");

    // Allocate a buffer here for the values we'll read from the IMU
    float buffer[EI_CLASSIFIER_DSP_INPUT_FRAME_SIZE] = { 0 };

    for (size_t ix = 0; ix < EI_CLASSIFIER_DSP_INPUT_FRAME_SIZE; ix += 3) {
        // Determine the next tick (and then sleep later)
        uint64_t next_tick = micros() + (EI_CLASSIFIER_INTERVAL_MS * 1000);

        lis.getAcceleration(&buffer[ix], &buffer[ix+1], &buffer[ix + 2]);
        buffer[ix + 0] *= CONVERT_G_TO_MS2;
        buffer[ix + 1] *= CONVERT_G_TO_MS2;
        buffer[ix + 2] *= CONVERT_G_TO_MS2;

        delayMicroseconds(next_tick - micros());
    }

    // Turn the raw buffer in a signal which we can the classify
    signal_t signal;
    int err = numpy::signal_from_buffer(buffer, EI_CLASSIFIER_DSP_INPUT_FRAME_SIZE, &signal);
    if (err != 0) {
        ei_printf("Failed to create signal from buffer (%d)\n", err);
        return;
    }

    // Run the classifier
    ei_impulse_result_t result = { 0 };

    err = run_classifier(&signal, &result, debug_nn);
    if (err != EI_IMPULSE_OK) {
        ei_printf("ERR: Failed to run classifier (%d)\n", err);
        return;
    }

    // print the predictions
    ei_printf("Predictions ");
    ei_printf("(DSP: %d ms., Classification: %d ms., Anomaly: %d ms.)",
        result.timing.dsp, result.timing.classification, result.timing.anomaly);
    ei_printf(": \n");
    for (size_t ix = 0; ix < EI_CLASSIFIER_LABEL_COUNT; ix++) {
        ei_printf("    %s: %.5f\n", result.classification[ix].label, result.classification[ix].value);
    }
#if EI_CLASSIFIER_HAS_ANOMALY == 1
    ei_printf("    anomaly score: %.3f\n", result.anomaly);
#endif
    
  if (result.classification[1].value > ALARM_THRESHOLD || result.classification[2].value > ALARM_THRESHOLD)
  {     
  tone(BUZZER_PIN, 523, 250);
  delay(250);
  noTone(BUZZER_PIN);
  delay(250);  
  tone(BUZZER_PIN, 523, 250);
  delay(250);  
  noTone(BUZZER_PIN);    
  }

}

由于它是相對緩慢變化的數(shù)據(jù)，我們不需要快速的響應(yīng)時間，正常的順序推理管道非常適合這個應(yīng)用程序。

上面的一個步驟是使用最新的 XIAO BLE 并將設(shè)備連接到用戶的智能手機(jī)，這將允許更好的警報(bào)、統(tǒng)計(jì)等。

?

即將發(fā)布的 Seeeduino BLE 有兩個版本：BLE 和 BLE Sense。在 SBC 和服務(wù)器上執(zhí)行了更大的 ML 模型之后，在最小的設(shè)備上修補(bǔ)機(jī)器學(xué)習(xí)對我來說確實(shí)是一次令人大開眼界的體驗(yàn)。如果您想繼續(xù)學(xué)習(xí)該主題，請查看Coursera 和 Edge Impulse 提供的免費(fèi)課程，以及Codecraft，這是一種圖形編程環(huán)境，允許創(chuàng)建 TinyML 應(yīng)用程序并將其部署到 Wio Terminal。